文章目錄
- 1.人臉識别簡介
-
- 2.人臉識别系統流程
-
- 3.多姿态人臉識别的算法
1.人臉識别簡介
2.人臉識别系統流程
3.多姿态人臉識别的算法
1.人臉識别簡介
人臉識别，是基于人的臉部特征資訊進行身份識别的一種生物識别技術。用錄影機或攝像頭采集含有人臉的圖像或視訊流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部識别的一系列相關技術，通常也叫做人像識别、面部識别。
人臉識别技術作為計算機視覺與模式識别領域的一項重要分支。随着算法與硬體是完善而得到發展，大概可分為兩個方面：一為傳統的基于手工設計特征等人臉識别算法，二是基于深度學習的人臉識别算法 。與其他生物識别相比，人臉識别的優點在于高效且友善，被應用于如安保，支付和監控等方面。
在現實生活的應用中，人臉識别技術仍然受到諸如光照，表情，衣物遮擋和姿态變換等因素的幹擾。其中，人臉的多姿态性是目前人臉識别技術研究的重點和難點之一。
2.人臉識别系統流程
傳統的自動人臉識别系統分為以下幾步：
（1）圖像采集和檢測
人臉圖像的采集多是在受控條件進行的，即需要在相同條件下展現不同個體的不同特征，可以有不同的表情、不同的裝飾等，
人臉檢測在研究中實際的應用一般用作圖像定位和圖像預處理，為之後的圖像處理過程提供人臉的位置資訊及像素資訊等。人臉圖像可以包含如直方圖特征、顔色特征、模闆特征、結構特征及 Haar 特征等多種特征，人臉檢測即通過提取這些特征實作的。
（2)圖像預處理
圖像預處理就是将圖像進行歸一化或其他處理，使圖像符合實驗正常運作的要求。圖像預處理的目的是針對特征提取的要求将圖像整體處理到适合訓練的模式，減少整體識别過程中算法無法實作的機率。
（3)特征提取
特征提取是人臉識别算法中的重要部分，其目的在于将人臉中可用于資訊識别的部分進行提取與儲存。提取人臉圖像特征的過程又被稱作人臉表征，人臉表征方法可按
特征提取的方式分為兩大類：基于知識的表征方法與基于代數的表征方法。
（4）降維
資料次元的大小對于提取方法不同的特征的識别率的影響是不确定的，但對于同一個特征來說，資料次元越高，其産生的識别率的準确度越高。但資料維數越高其運算難度越大，且次元越高其運算所需要的時間越長。目前廣泛使用的降維算法有PCA算法，ICA算法。
（5）特征比對
特征比對是人臉識别算法中的最後一步，它利用不同個體所提取處理好的人臉表征與資料庫進行對比，并設定一個門檻值對圖像與資料庫中的資料的比對程度進行二分類。這一操作包括一對一的圖像确認過程與一對多的圖像辨認過程。
2.多姿态人臉識别的算法
傳統的多姿态人臉識别方法大緻分為如下幾部分。
（1）基于幾何特征的多姿态人臉識别。人臉的幾何特征主要由人臉整體輪廓特征與各個器官特征組成。通過檢測各個器官與人臉重要部位邊緣檢測，并通過算法對檢測到的幾何資訊與資料進行比對，判斷其姿态與身份資訊。
（2）基于資料降維再分類的多姿态人臉識别。PCA 算法的目的是将多元資料進行降維操作得到較低次元的資料再進行人臉識别，可以較快的得出檢測結果。但 PCA 算法也很容易受到外部如光照等因素的幹擾。ICA 算法在降維方面與 PCA 算法的效果相近。
基于深度學習的算法模型，其網絡結構的連接配接方式與大量可更改的參數使深度學習的模型可以有效的解決人臉的多姿态性對人臉識别帶來的困難，例如深度置信網絡DeepFace 網絡、FaceNet 網絡VGGFace 網絡和 DeepID 網絡等。其中深度置信網絡與 VGGFace網絡均可以有效的對人臉進行識别。其中，深度置信網絡由兩個對稱耦合的随機回報型二值單元神經網絡構成，對兩個網絡分别連接配接池化層并進行堆疊，最後通過 Softmax 對采集到的資料進行分類分析。深度置信網絡的優點在于它不僅僅對資料分類關注，還對其資料與标簽的聯合分布做了重視，對有标簽資料的分類識别的準确率有很大提高。VGGFace 網絡即建立在 VGG-16 與 VGG-19 兩種模型的基礎上的多姿态人臉識别算法，其中 16 與 19 分别代表其網絡層數。
ASEF算法
在多姿态人臉識别中，準确定位人眼位置具有重要意義。一方面，人眼作為帶有關鍵資訊的面部特征之一，比嘴巴和鼻子等器官更為重要。另一方面，人眼在面部的位置是相對固定的。人眼的位置通過改進後的AESF算法進行定位。
平均合成精密濾波人眼定位算法（ASEF）是使用輸入樣本和複合輸出結果在頻域中構造一個濾波器，然後不權重的情況下對這些濾波器求均值以獲得平均濾波器。ASEF 算法的思想是學習一個濾波器 h ，然後和圖像if 進行卷積操作：gi=fixh。
通過算法得到左右眼資訊之後，即可得到雙眼距離資料，再使用K—means聚類方法對人臉姿态進行聚類。
【感悟】
随着社會的發展，人臉識别在支付，安保，監控等方面大範圍應用，刷臉時代正式到來。手機的面容ID解鎖和線上支付在日常生活中運用的比較多，但人臉識别解鎖經常會受到一些因素的影響，多姿态的人臉識别技術是目前研究的難點之一。生活中經常采集到的圖像不是标準的正臉圖像，在很大的程度上影響人臉識别算法的準确性。運用深度學習進一步提升了人臉識别的精确度，為2D人臉識别的應用作出了突破作用，加快了人臉識别的普及。
參考文獻：[1]李金羽. 多姿态人臉識别算法研究[D].北京建築大學,2020.